Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Die Phase der subventionierten KI-Nutzung ist vorbei. Anbieter wie OpenAI, Anthropic und Google stellen ihre Erlösmodelle um: Statt fester Abogebühren zahlen Unternehmen künftig nach Verbrauch. Wer KI intensiv einsetzt, wird das auf der Rechnung sehen.
Vom Flatrate-Modell zur Verbrauchsabrechnung
Das Prinzip ähnelt der Abkehr von Telefon-Flatrates. Früher zahlte man einen festen Monatsbetrag, egal wie viel man telefonierte. Jetzt zählt jeder Anruf. Bei KI-Diensten ist die Abrechnungseinheit das Token, die kleinste Texteinheit, in die Modelle Eingaben und Ausgaben zerlegen. Als grobe Orientierung gilt: Ein Token entspricht etwa drei Viertel eines englischen Wortes. Bei deutschsprachigen Texten liegt der Verbrauch teils höher.
Unterschieden wird zwischen Eingabe-Tokens (Input) und Ausgabe-Tokens (Output). Ausgaben werden teurer berechnet. Bei Anthropics Spitzenmodell Claude fallen 10 US-Dollar pro einer Million Input-Tokens an, für Output-Tokens sind es 50 US-Dollar. Bei komplexen automatisierten Workflows können schnell Millionen Tokens pro Tag anfallen.
ChatGPT Business von OpenAI, das Angebot für kleine und mittlere Unternehmen, arbeitet inzwischen mit einem Tokenbudget pro Mitarbeiter. Ist es aufgebraucht, stoppt der Dienst. Leistungsstarke Zusatzfunktionen wie der Programmierdienst Codex werden separat über das Budget abgerechnet. Die kostenlose Basisversion bleibt erhalten, deckt aber anspruchsvolle Anwendungen nicht ab.
Wie groß ist der Kostenanstieg konkret?
Das Analysehaus Gartner schätzt, dass die weltweiten Unternehmensausgaben für KI-Modelle und Plattformen im Jahr 2026 auf 64 Milliarden US-Dollar steigen. Das wäre ein Plus von 63 Prozent gegenüber dem Vorjahr. Laut ifo Institut setzen mittlerweile rund 55 Prozent der deutschen Unternehmen KI ein. Die Kostenfrage betrifft also keine Randgruppe mehr.
Aus der Praxis berichten Berater und Anwender von teils drastischen Kostensteigerungen. Ein Hamburger KI-Berater verursachte nach eigenen Angaben allein in einer Woche Entwicklungsarbeit mit aktuellen OpenAI-Modellen Kosten von rund 200 Euro. Der US-Fahrdienstvermittler Uber soll sein KI-Jahresbudget für 2026 bereits nach vier Monaten aufgebraucht haben.
Welche Prozesse treiben die Kosten?
Nicht jede KI-Nutzung schlägt gleich zu Buche. Ein einfacher Textentwurf verbraucht wenige Tokens. Rechenintensiv werden dagegen automatisierte Workflows, bei denen Modelle eigenständig recherchieren, Ergebnisse zusammenführen und Folgeschritte auslösen. Solche Agenten-Architekturen, bei denen ein KI-Modell mehrere Zwischenschritte ohne menschlichen Eingriff durchläuft, multiplizieren den Token-Verbrauch erheblich.
Ein Beispiel aus dem Mittelstand: Ein Maschinenbauer, der Kunden- und Lieferantenkommunikation per KI-Agent automatisiert, erzeugt bei jeder verarbeiteten E-Mail-Kette eine Kaskade von Input- und Output-Tokens. Was pro Vorgang gering erscheint, summiert sich bei hundert Vorgängen täglich auf substanzielle Monatsbeträge.
Strategische Antworten auf steigende Kosten
Modellwahl nach Aufgabe steuern
Nicht jede Aufgabe erfordert das leistungsfähigste Modell. Für Standardaufgaben wie Textformatierung, einfache Klassifizierung oder FAQ-Antworten reichen kostengünstigere Modelle aus. Unternehmen sollten dokumentieren, welche Anwendungsfälle welche Modelle nutzen. Eine ungesteuerte Kopplung aller Prozesse an Spitzenmodelle verursacht unnötige Kosten.
Token-Verbrauch messen und begrenzen
Viele KI-Plattformen haben Nutzungsreports und Budgetgrenzen. Diese Funktionen sollten aktiv genutzt werden. Wer nicht weiß, wie viele Tokens welche Abteilung verbraucht, kann nicht gezielt gegensteuern. Eine abteilungsweise Zuordnung von Tokenbudgets schafft Transparenz und Verantwortung.
Anbieterabhängigkeit prüfen
Wer alle Prozesse auf einen einzigen KI-Anbieter aufgebaut hat, hat kaum Verhandlungsmacht bei Preisänderungen. Open-Source-Modelle, die lokal oder auf eigener Cloud-Infrastruktur betrieben werden, sind eine Alternative für Anwendungsfälle mit hohem Volumen und geringeren Genauigkeitsanforderungen. Die Einrichtung erfordert IT-Kompetenz und anfängliche Investitionen, kann aber bei hohem Durchsatz wirtschaftlicher sein.
Prompt-Qualität als Kostenfaktor
Schlecht formulierte Anweisungen erzeugen lange, ungenaue Antworten, die mehr Tokens verbrauchen und oft mehrfach korrigiert werden müssen. Präzise, knappe Prompts reduzieren den Verbrauch. Unternehmen, die KI-Nutzung standardisieren und Mitarbeiter schulen, senken dadurch direkt die Kosten.
Fazit
KI ist für Unternehmen von einer günstigen Experimentierressource zu einem planungspflichtigen Kostenfaktor geworden. Wer KI in operative Prozesse integriert hat, sollte jetzt Verbrauch messen, Modelle nach Aufgabe auswählen und Budgetgrenzen setzen. Die Technik bleibt nützlich. Aber wie bei jedem anderen Betriebsmittel entscheidet der Einsatz über die Wirtschaftlichkeit.
